用退火温度换出全局最优解
◍ 用退火温度换出全局最优解
模拟退火（SA）借用了冶金学里的退火思路：先高温让粒子自由游动，再缓慢降温锁定稳定结构。放到参数寻优里，就是允许算法在迭代初期以较高概率接受劣解，从而跳出局部极值陷阱。 算法核心是一个随温度衰减的接受准则。当前解 S 与新解 S' 的目标差 ΔE，若 ΔE<0 直接接受；若 ΔE≥0，则以概率 exp(-ΔE/T) 接受，T 为当前温度。温度按 T_{k+1}=α·T_k（α 常取 0.85~0.99）逐轮下降，接受劣解的概率随之收敛到 0。 在 MT5 上做 EA 参数优化时，SA 相比网格遍历能大幅压缩计算量。一组 12 参数、每参数 20 步的网格需要 20^12 次评估，而 SA 通常 5 万~20 万次迭代即可给出可用解，代价是结果带随机性、需多次重跑取优。
把金属退火搬进优化器
- 年 Scott Kirkpatrick、George Gelatt 和 Mario Vecchi 提出模拟退火（SA），灵感来自金属热处理：高温液态颗粒随机分布，若冷却足够慢，内能趋于最小、原子呈对称有序；若骤冷则卡在亚稳态（硬化），结构各向异性。算法把这个物理过程抽象成数学寻优——先给系统“加热”允许乱跳，再缓慢“降温”收敛。
SA 从初始解（随机或继承上次迭代）出发，用随机或受控操作改状态，即便新状态更差也可能接受。接受劣解的概率由冷却函数控制，随迭代下降，从而先广域探索、后局部精修，有机会跳出局部最优。它归在随机优化 / 元启发式一类，靠概率性扰动避免穷搜。 三个支柱很直接：用随机性探不同区域；以一定概率收下更差解；让收下更差解的概率逐步降低。衍生变体如自适应模拟退火（ASA）、量子退火（QA）后来补了原版的一些短板，原版缺陷留到后面拆。外汇与贵金属参数寻优属高风险实验，任何历史拟合都不预示实盘表现。
「把退火温度翻译成可跑的 MQL5 结构」
模拟退火的核心不是玄学，而是几个硬方程。能量差 ΔE = E_new - E_old 就是两次迭代适应度函数的差值；更坏决策接受概率 P = exp(-ΔE / T)，T 是当前温度。从依赖曲线看，T 越高 P 越大，随着 T 线性下降，高能级向下跳的概率比低能级差时掉得更猛——算法越来越不敢乱跳，只倾向局部改良。 温度更新用 Tnew = α * Tprev，α 通常取 0.8~0.99。实测在起始 T=500 时，α=0.99 的降温曲线极缓，α=0.1 几乎几步就冷透，这直接决定你能否逃出局部陷阱。外汇与贵金属参数优化属高风险实验，结果仅具概率意义。 原文作者加了一个原始 SA 没有的扩散比 dP：标准版在新状态生成时让坐标在全区间 [min,max] 均匀随机，而他限制成上一次位置的某个邻域，dP=1 退化为原版，默认 0.2 实测更稳。 下面这段 MQL5 结构先把「分子」建模为 S_Agent，再套 C_AO_SA 类管种群与温度。代码可直接贴进 MT5 看字段布局。
<span class="comment">class=class="str">"cmt">//————————————————————————————————————————</span> <span class="keyword">class="kw">struct</span> S_Agent { <span class="keyword">class="type">void</span> Init(<span class="keyword">class="type">int</span> coords) { <span class="functions">ArrayResize</span> (c, coords); <span class="functions">ArrayResize</span> (cPrev, coords); f = -<span class="macro">DBL_MAX</span>; fPrev = -<span class="macro">DBL_MAX</span>; } <span class="keyword">class="type">class="kw">double</span> c []; <span class="comment">class=class="str">"cmt">//coordinates</span> <span class="keyword">class="type">class="kw">double</span> cPrev []; <span class="comment">class=class="str">"cmt">//previous coordinates</span> <span class="keyword">class="type">class="kw">double</span> f; <span class="comment">class=class="str">"cmt">//fitness</span> <span class="keyword">class="type">class="kw">double</span> fPrev; <span class="comment">class=class="str">"cmt">//previous fitness</span> }; <span class="comment">class=class="str">"cmt">//————————————————————————————————————————</span> <span class="comment">class=class="str">"cmt">//————————————————————————————————————————</span> <span class="keyword">class</span> C_AO_SA { <span class="comment">class=class="str">"cmt">//----------------------------------------------------------------------------</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">class="kw">double</span> cB []; <span class="comment">class=class="str">"cmt">//best coordinates</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">class="kw">double</span> fB; <span class="comment">class=class="str">"cmt">//FF of the best coordinates</span> <span class="keyword">class="kw">public</span>: S_Agent a []; <span class="comment">class=class="str">"cmt">//agent</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">class="kw">double</span> rangeMax []; <span class="comment">class=class="str">"cmt">//maximum search range</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">class="kw">double</span> rangeMin []; <span class="comment">class=class="str">"cmt">//manimum search range</span> <span class="keyword">class="kw">public</span>: <span class="keyword">class="type">class="kw">double</span> rangeStep []; <span class="comment">class=class="str">"cmt">//step search</span>
◍ 模拟退火优化器的初始化接口
下面这段 C_AO_SA 类的公开声明与 Init 实现，定义了基于模拟退火思路的自适应优化器怎么把外部参数接进来。coords 是搜索空间维度，popSize 是种群规模，T 为初始温度，α 是降温系数，d 是扩散系数——五个量共同决定后续 Moving 与 Revision 的搜索行为。 Init 里第一行 MathSrand((int)GetMicrosecondCount()) 用微秒计数重置随机种子，避免每次回测跑出同一串伪随机序列；fB 初始化为 -DBL_MAX 表示当前还没拿到可行最优值。 随后把五个入参写进私有成员，ArrayResize 给 a（个体数组）、rangeMax/Min/Step（各维边界与步长）、cB（最优坐标）按 coords 与 popSize 分配内存，再循环调用 a[i].Init(coords) 让每个个体自己建好维度。开 MT5 把这段贴进 EA 的 include 类，改 coordsP 和 popSizeP 就能直接观察种群占用的内存与首帧随机散布差异。 别把初始温度当摆设 T 和 α 若设得偏离品种波动尺度（例如 XAUUSD 用 T=0.1、α=0.99），搜索可能过早冻结在局部区；外汇与贵金属杠杆高、跳空频繁，这类参数误用会放大实盘试错成本，调参前先用历史 Tick 估一遍典型振幅。
class="kw">public: class="type">void Init(const class="type">int coordsP, class=class="str">"cmt">//coordinates number const class="type">int popSizeP, class=class="str">"cmt">//population size const class="type">class="kw">double tP, class=class="str">"cmt">//temperature const class="type">class="kw">double aP, class=class="str">"cmt">//temperature reduction coefficient const class="type">class="kw">double dP); class=class="str">"cmt">//diffusion coefficient class="kw">public: class="type">void Moving(); class="kw">public: class="type">void Revision(); class=class="str">"cmt">//---------------------------------------------------------------------------- class="kw">private: class="type">int coords; class=class="str">"cmt">//coordinates number class="kw">private: class="type">int popSize; class=class="str">"cmt">//population size class="kw">private: class="type">class="kw">double T; class="kw">private: class="type">class="kw">double α; class="kw">private: class="type">class="kw">double d; class="kw">private: class="type">bool revision; class="kw">private: class="type">class="kw">double SeInDiSp(class="type">class="kw">double In, class="type">class="kw">double InMin, class="type">class="kw">double InMax, class="type">class="kw">double Step); class="kw">private: class="type">class="kw">double RNDfromCI(class="type">class="kw">double min, class="type">class="kw">double max); }; class=class="str">"cmt">//———————————————————————————————————————— class=class="str">"cmt">//———————————————————————————————————————— class="type">void C_AO_SA::Init(const class="type">int coordsP, class=class="str">"cmt">//coordinates number const class="type">int popSizeP, class=class="str">"cmt">//population size const class="type">class="kw">double tP, class=class="str">"cmt">//temperature const class="type">class="kw">double aP, class=class="str">"cmt">//temperature reduction coefficient const class="type">class="kw">double dP) class=class="str">"cmt">//diffusion coefficient { MathSrand((class="type">int)GetMicrosecondCount()); class=class="str">"cmt">// reset of the generator fB = -DBL_MAX; revision = false; coords = coordsP; popSize = popSizeP; T = tP; α = aP; d = dP; ArrayResize(a, popSize); for (class="type">int i = class="num">0; i < popSize; i++) a [i].Init(coords); ArrayResize(rangeMax, coords); ArrayResize(rangeMin, coords); ArrayResize(rangeStep, coords); ArrayResize(cB, coords); }
模拟退火里的种群漂移与温度衰减
下面的 C_AO_SA 类方法把模拟退火塞进了多粒子种群里。首次运行靠 revision 标志位走初始化分支：给 popSize 个个体在每个坐标维度上随机撒点，并用 SeInDiSp 把值吸附到离散网格，避免浮点坐标越界或步长错位。 Moving 的常规分支才是核心。每个个体的新坐标 = 旧坐标 + 在 [-0.1,0.1] 区间抽到的扰动 × 该维跨度 × 系数 d，再走一次离散化。d 直接控制搜索半径，调大可能在 EURUSD 的 H1 上更快跳出局部优，但过冲会让参数组合在可行域边缘反复横跳。
| Revision 负责记录历史最佳并更新温度。它先扫一遍种群，若某个体的目标值 a[i].f 大于已知最优 fB 就替换 cB 与 fB；随后对每个个体算 ΔE = | f - fPrev | 。只有变好才无条件保留，变差时按 P = exp(-ΔE/T) 概率接受——这就是退火接受准则，T 越高越容忍劣解。 |
|---|
最后一行 T = α * T 做几何冷却。α 取 0.95 时温度下降平缓，种群在外汇高噪声样本上倾向多探索几代；α 压到 0.8 以下则很快冻结，可能漏掉 XAUUSD 突变段后的更优参数。开 MT5 把这两个系数接进自己的优化框架，跑一组对照回测就能看见差异。
class="type">void C_AO_SA::Moving() { if (!revision) { for (class="type">int i = class="num">0; i < popSize; i++) { for (class="type">int c = class="num">0; c < coords; c++) { a [i].c [c] = RNDfromCI(rangeMin [c], rangeMax [c]); a [i].c [c] = SeInDiSp(a [i].c [c], rangeMin [c], rangeMax [c], rangeStep [c]); } } revision = true; class="kw">return; } class="type">class="kw">double rnd = class="num">0.0; for (class="type">int i = class="num">0; i < popSize; i++) { for (class="type">int c = class="num">0; c < coords; c++) { rnd = RNDfromCI(-class="num">0.1, class="num">0.1); a [i].c [c] = a [i].cPrev [c] + rnd * (rangeMax [c] - rangeMin [c]) * d; a [i].c [c] = SeInDiSp(a [i].c [c], rangeMin [c], rangeMax [c], rangeStep [c]); } } } class="type">void C_AO_SA::Revision() { class="type">int ind = -class="num">1; for (class="type">int i = class="num">0; i < popSize; i++) { if (a [i].f > fB) ind = i; } if (ind != -class="num">1) { fB = a [ind].f; ArrayCopy(cB, a [ind].c, class="num">0, class="num">0, WHOLE_ARRAY); } class="type">class="kw">double rnd = class="num">0.0; class="type">class="kw">double ΔE; class="type">class="kw">double P; for (class="type">int i = class="num">0; i < popSize; i++) { ΔE = fabs(a [i].f - a [i].fPrev); if (a [i].f > a [i].fPrev) { a [i].fPrev = a [i].f; ArrayCopy(a [i].cPrev, a [i].c, class="num">0, class="num">0, WHOLE_ARRAY); } else { P = exp(-ΔE / T); rnd = RNDfromCI(class="num">0, class="num">1.0); if (rnd < P) { a [i].fPrev = a [i].f; ArrayCopy(a [i].cPrev, a [i].c, class="num">0, class="num">0, WHOLE_ARRAY); } } } T = α * T; }
「模拟退火在基准函数上的实测表现」
把模拟退火（SA）丢进标准试验台跑一遍，参数设为 C_AO_SA:50:1000.0:0.1:0.2，每种测试函数各跑 10000 次。原始算法在 Rastrigin 上 5/25/500 维的得分分别是 0.76034 / 0.58798 / 0.48404，Forest 上跌到 0.26632 / 0.09929 / 0.03048，Megacity 离散函数只有 0.21667 / 0.08333 / 0.02537，总评 2.55383。 加上扩散比之后，Rastrigin 三项升到 0.81510 / 0.64746 / 0.50060，Forest 变成 0.32892 / 0.13098 / 0.03824，Megacity 为 0.24333 / 0.10467 / 0.02820，总评拉到 2.83750。扩散比确实把 SA 的整体分数抬了约 11%，但单看绝对水平依旧偏弱。 横向铺开 25 种算法的对比表，SA 排在第 19 位，最终结果 13.138，仅略高于猴子算法和鱼群搜索。它在 Rastrigin 最高拿到 0.36938（10 维），Forest 最高 0.20341，Megacity 最高 0.16956，没有任何单项冲进前列。反观排第 14 的 CSS，虽然总评 27.930 也不高，却在 Rastrigin 1000 维拿到满分 1.00000——SA 连这种局部亮点都没有。 搜索空间可视化也印证了这一点：SA 的采样点杂乱无章，不像热布朗运动那样有结构，且容易卡在局部极值。种群多样性并不缺，迭代结束前不会耗尽，但收敛质量偏低。外汇与贵金属参数优化属高风险场景，这类弱收敛特性若直接套用，实盘调参可能反复陷入无效局部解。
◍ 记住这一条就够了
模拟退火在 MT5 优化里最现实的坑，是外部参数没有显式说明书：初始温度和冷却步长怎么影响搜索，原作者也承认「目前尚不清楚温度的影响方式」。默认参数只在那组测试函数上跑出过最佳，换到你的 EA 参数面就可能完全失灵。 它处理 1–2 个变量还算干净，变量一多搜索空间爆炸，收敛速度和掉进局部极值的概率都会恶化；存档里的 25_The_world_of_AO_SA.zip（405.38 KB）含当前算法脚本，你拉下来用 0–100 标尺的直方图自测就能看到结果高度分散。 真要落地，别死磕单一 SA：让种群里每个解随机选退火参数，作者回帖里确认这能降低卡死概率但可能拖慢收敛，你开 MT5 跑个对比帧就知。外汇和贵金属优化高风险，任何算法结论都只是概率倾向，实盘前必须自己验证。